AI i bank og finans: Data er det nye fundament

Finansielle institutioner står over for en paradigmeskift: AI er ikke længere et eksperiment, men en nødvendig konkurrencemæssig forudsætning. Danske banker og finansaktører investerer milliarder i kunstig intelligens for at optimere rådgivning, forhindre svig og automatisere interne processer. Men trods store ambitioner og betydelige budgetter er de fleste initiativer stadig langt fra at skabe skarp værdi. Ifølge Boston Consulting Group har færre end 30 % af finansielle institutioner opnået væsentlig forretningsværdi gennem AI. Baggrunden er en afgørende faktor, der ofte overses: manglende datakvalitet og en umoden datainfrastruktur. Uden et solidt fundament i form af en avanceret dataplattform risikerer banker at spilde ressourcer på løsninger, der aldrig når produktion – eller værre, leverer fejlbehæftede resultater med alvorlige konsekvenser.

Det er ikke teknologien i sig selv, der er problemet. AI-værktøjer som generativt sprogmodeller, maskinlæring og automatiseret beslutningstagning er tilgængelige og modne. Problemet ligger i dataene, som ofte er spredt over tiårsgamle systemer, lagret i forskellige formater og med manglende standardisering. Her peger Orange Business på, at en centraliseret, AI-klar dataplattform er afgørende for succes. Joakim Valderhaug, Cloud & AI Sales Lead i Orange Business Norge, advarer: 60 % af alle AI-projekter uden adgang til kvalitetsdata vil blive lukket ned inden 2026, ifølge Gartner Group. Det betyder, at investeringer i AI ikke kan ses isoleret – de kræver en samlet strategi for datahåndtering, hvor modernisering af eksisterende IT-systemer ikke er en sideopgave, men kernen i transformationen.

Stordrift og fragmentering: Det danske banksystems paradoks

Det danske finansielle system er teknologisk avanceret, men samtidig præget af kompleksitet og systemfragmentering. Store banker som Danske Bank, Nordea og Jyske Bank kører på it-systemer, der i mange tilfælde er bygget op over årtier, med integrationer, der ofte er kludret sammen. Dette betyder, at kundedata, transaktionshistorik og risikoprofiler ikke nødvendigvis er tilgængelige i ét samlet, opdateret og konsistent format. Når AI skal træne på data, kræver det, at informationen er korrekt, opdateret og fri for bias. Hvis ikke, risikerer modellerne at reproducere fejl eller diskriminere – med alvorlige etiske og reguleringsmæssige konsekvenser.

Samtidig øges preset fra både markedet og reguleringsmyndighederne. Forbrugerne forventer personlig service, hurtig respons og proaktive rådgivning – noget, AI potentiel kan levere. Men myndigheder som Finanstilsynet og EBA (European Banking Authority) kræver gennemsigtighed og redegørelse for algoritmer, der påvirker kunder. Det stiller krav til datakvalitet og dokumentation, som mange eksisterende systemer ikke kan imødekomme. Det skaber et paradoks: banker skal digitalisere hurtigt for at overleve, men deres egen it-arsenal hæmmer innovationen.

Investeringer flyttes – men hvor går pengene hen?

Finansielle institutioner har allerede investeret over 35 mia. USD i AI, og ifølge Orange Business’ whitepaper forventes dette tal at stige til 97 mia. USD i 2027. Men investeringerne sker ofte i skyggen af en tung driftsbyrde. Ifølge Asian Banking & Finance går op til 90 % af bankernes IT-budgetter til vedligeholdelse af eksisterende systemer – en realitet, der gør det vanskeligt at finansiere transformation. Det betyder, at mange banker nu aktivt omdirigerer midler: ved at modernisere gamle systemer, konsolidere datacentre og udnytte skybaserede løsninger, frigøres kapital til AI-initiativer.

En sådan omlægning er ikke uden risiko. Modernisering af it-systemer er kompleks, tidskrævende og kan påvirke driftsstabilitet. Men udsigten til automatisering af kundeservice, forbedret risikomodel og hurtigere beslutningstagning gør omkostningerne mere acceptable. Især cloud-baserede dataplatforme, som AWS, Azure og Google Cloud, spiller en stigende rolle. De giver mulighed for skalerbar dataopsamling, realtidsanalyse og integrerede AI-værktøjer – alt sammen med højere sikkerhed og compliance. For danske banker betyder det, at samarbejde med teknologipartnere som Orange Business, Microsoft eller IBM bliver afgørende for at sikre både hastighed og pålidelighed.

Danske Bank som case: Fra strategi til implementering

Danske Bank er et af de danske eksempler, der viser, hvordan en struktureret tilgang til data og AI kan skabe konkret værdi. Siden lanceringen af sin Forward ’28-strategi har banken intensiveret investeringerne i generativ AI, især til intern brug. Gennem værktøjer som DanskeGPT – baseret på OpenAI’s ChatGPT 4.0 – Microsoft 365 Copilot og GitHub Copilot arbejder banken på at øge medarbejderproduktiviteten. Ifølge Frans Woelders, COO i Danske Bank, er målet at frigøre tid, så rådgivere og medarbejdere kan fokusere på værdiskabende opgaver i stedet for administrative rutiner.

Men Danske Bank har ikke bare købt AI-værktøjer – de har bygget dem ind i en bredere datastrategi. Banken har investeret i at konsolidere sine datakilder, standardisere formater og etablere klare dataejerroller. Det har gjort det muligt at træne interne modeller på pålidelige data, samtidig med at de overholder strenge krav til datahåndtering og persondatapolitik. En sådan tilgang mindsker risikoen for fejl og gør det lettere at dokumentere algoritmers beslutningslogik – noget, der bliver stadig vigtigere i et reguleret miljø.

Samtidig er banken bevidst om, at AI ikke er en quick fix. Implementeringen sker trin for trin, med pilotprojekter, der evalueres løbende. Det giver mulighed for at lære, justere og skalerer succesfulde initiativer. Det er en modenhed, der skiller de forreste fra bagmændene i AI-race’et.

Fremtiden: Data som forretningskritisk infrastruktur

For danske ledere og iværksættere i finanssektoren er budskabet klart: AI er ikke en teknologiløsning, man køber og installerer. Det er en forretningsstrategi, der kræver en dyb forandring af, hvordan data forstås og håndteres. En moden dataplattform – med høj kvalitet, adgangskontrol, automatiseret opdatering og integrationsmuligheder – er ikke længere en IT-opgave, men en kernekompetence. Uden den risikerer investeringer i AI at ende som dyre demonstrationsprojekter uden reel indvirkning.

Set fra en dansk og nordisk kontekst er udfordringerne ens for store og mindre aktører. Mens storbankerne har ressourcer til omfattende transformationer, står mindre finansinstitutioner og fintechs over for samme datahåndteringsproblemer – men med færre midler. Her kan samarbejde om fælles datastandarder, brug af offentlige sky-platforme og adgang til synthetiske datasæt (som diskuteret i Erik Altmans HAI-seminar) være en vej frem. Synthetiske data kan træne AI-modeller uden at kompromittere fortrolighed – et væsentligt forspring i en sektor med høje krav til sikkerhed.

Udsigten er ikke mindre kompleksitet, men større muligheder. En vellykket AI-implementering kan forbedre kundeservice gennem personalisering, reducere svig med præcise algoritmer og udvide adgangen til finansielle tjenester for udsatte grupper. Men vejen dertil går gennem data – ikke som et biprodukt, men som den centrale aktør. Den bank, der først opnår fuld kontrol over sit datafundament, vil ikke bare overleve AI-revolutionen – den vil definere den.